医師の専門知識から臨床エージェントへ：軽量LLMで医師の医療専門知識を保持・標準化・スケーリングする
arXiv cs.CL / 2026/3/26
📰 ニュースSignals & Early TrendsIdeas & Deep AnalysisModels & Research
要点
- 本論文では、症例依存の適応ルールを含む、診断・治療に関する医師の専門知識を保持・標準化・スケールするために軽量LLMを用いる枠組み「Med-Shicheng」を提案する。
- Med-Shichengは5段階で実装され、5名の著名な中医学（TCM）医師の知識を対象とし、7つの臨床TCMタスク（病因・病態から処方生成、臨床助言まで）にまたがって単一モデルを学習する。
- Qwen2.5-1.5B-Baseを用いた実験により、このアプローチは計算資源が制約されたGPU上で動作しつつ、DeepSeek-R1やGPT-5のようなより強力なモデルに匹敵する性能を達成できることが示される。
- 著者らは、LLMを裁定者（ジャッジ）として用いたときの信頼性を評価し、全体的な傾向は自動評価で捉えられる一方で、きめ細かな個別性の判断ではバイアスが生じ得るため、真値（グラウンドトゥルース）が限られる場合には医師の関与が引き続き必要であることを示唆している。
- 本研究は中核課題を、知識システムが発展に時間がかかり、かつ大規模に伝達しにくい点として位置づけ、標準化されたLLM学習が臨床現場における専門知識の不足を補う道筋になると述べる。
